基于Apriori方法的電力巡檢無人機渦環(huán)狀態(tài)識別

吳文斌，陳伯建，許軍，黃友聰，張偉豪，韓騰飛，張頂立，葉思源，李誠龍

（1.國網(wǎng)福建省電力有限公司電力科學研究院，福建福州，350000；2. 國網(wǎng)福建省電力有限公司檢修分公司，福建福州，350000；3.中國民用航空飛行學院，四川廣漢，618307)

0 引言

隨著無人機技術(shù)的發(fā)展成熟，以多旋翼無人機和固定翼旋翼復合型垂直起降無人機日益廣泛應用于電力桿塔和風力發(fā)電機巡檢場景[1]，受限于起降場地，上述兩類無人機絕大部分作業(yè)均采用多旋翼氣動布局構(gòu)型進行垂直起降[2]。但在垂直下降過程中，作為欠驅(qū)動系統(tǒng)的多旋翼構(gòu)型無人機油門工作點降低，控制力矩減弱，在過快垂直下降過程中容易出現(xiàn)飄擺和抖動，綜合多篇文獻的分析，我們可知導致這種原因的情況是無人機在下降過程中進入到了渦環(huán)效應[3]。根據(jù)文獻[4]的表述，當多旋翼氣動布局的無人機下降速度達到4m/s以后，一樣也會進入到渦環(huán)狀態(tài)，但由于空中風場無法預判，即使在所謂的安全邊界區(qū)域內(nèi)進行下降無人機也會因為遭遇風切變而改變垂向和縱向的相對速度，從而使無人機實質(zhì)性進入到渦環(huán)狀態(tài)當中。因此通過對無人機飛行后黑匣子所記錄的姿態(tài)數(shù)據(jù)進行分析，我們希望能夠找到一種可用于辨識無人機渦環(huán)狀態(tài)的方法，以利于飛行器及時進行識別并完成改出。

1 旋翼渦環(huán)狀態(tài)

要進行渦環(huán)狀態(tài)的辨識，首先需要明確什么是多旋翼渦環(huán)狀態(tài)。要知道多旋翼構(gòu)型無人機本身是一個欠驅(qū)動、不穩(wěn)定系統(tǒng)[6]，需要飛行控制系統(tǒng)通過位姿估測系統(tǒng)獲得狀態(tài)反饋后對飛行器進行平衡控制。而在多旋翼無人機快速下降過程中，旋翼吹出的下洗氣流會在翼尖位置上翻，重新吸入螺旋槳，這會在槳葉盤面區(qū)域出現(xiàn)一個個非定常狀態(tài)的氣泡空間，這一現(xiàn)象的直接結(jié)果是槳葉面產(chǎn)生的升力出現(xiàn)非線性偏離槳葉轉(zhuǎn)速，使得多旋翼每個旋翼上產(chǎn)生的拉力出現(xiàn)劇烈波動。如圖所示，通過實驗，高正等人對直升機主旋翼渦環(huán)邊界進行了繪制。如圖1所示，橫軸為航空器橫向相對空速歸一化，縱軸為航空器垂直方向相對空速，左側(cè)弧線圈內(nèi)區(qū)域為不同程度渦環(huán)區(qū)域。如圖2所示，該圖給出了不同垂直下降速度下槳葉區(qū)域氣流包線。

圖1 渦環(huán)邊界條件示意圖

圖2 不同下降速度條件下渦環(huán)狀態(tài)空氣流動圖

2 多旋翼無人機數(shù)據(jù)記錄儀中渦環(huán)狀態(tài)

無人機在飛行過程中黑匣子會對飛行器狀態(tài)參數(shù)進行存儲，機載導航設備更新率可以達到100Hz，如下圖所示，飛控計算機通過數(shù)據(jù)總線將組合導航計算得到的各個位姿數(shù)據(jù)進行實時存儲，而本工作中渦環(huán)狀態(tài)的辨識需要用到其中部分數(shù)據(jù)：包括時間戳、體坐標系下三軸速度(Vx,Vy,Vz)和三軸姿態(tài)角(Roll,Pitch,Yaw)，以及控制器中橫滾俯仰和偏航三個通道的輸出。

如圖3所示，我們將一次飛行過程中無人機實際遭遇渦環(huán)狀態(tài)的歷史數(shù)據(jù)曲線繪制出來，左側(cè)綠色矩形框內(nèi)區(qū)域為無人機進入到渦環(huán)狀態(tài)的姿態(tài)及垂直速度，右側(cè)圖片為將這一塊兒區(qū)域放大后的俯仰姿態(tài)曲線和垂向速度曲線，紅色為設定值，藍色為實際狀態(tài)值跟蹤曲線?？梢钥吹剑敓o人機在連續(xù)垂直下降過程中，由于風場影響，在中間某一段區(qū)域內(nèi)進入到了持續(xù)性輕度渦環(huán)狀態(tài)，這一過程中，姿態(tài)曲線出現(xiàn)跟蹤特點差，波動幅度大等特性，垂向速度也不穩(wěn)定，波動最大峰值超過了設定值15%。

圖3 渦環(huán)狀態(tài)區(qū)域及對應姿態(tài)等狀態(tài)表現(xiàn)

如圖3所示，我們將一次飛行過程中無人機實際遭遇渦環(huán)狀態(tài)的歷史數(shù)據(jù)曲線繪制出來，左側(cè)綠色矩形框內(nèi)區(qū)域為無人機進入到渦環(huán)狀態(tài)的姿態(tài)及垂直速度，右側(cè)圖片為將這一塊兒區(qū)域放大后的俯仰姿態(tài)曲線和垂向速度曲線，紅色為設定值，藍色為實際狀態(tài)值跟蹤曲線。可以看到，當無人機在連續(xù)垂直下降過程中，由于風場影響，在中間某一段區(qū)域內(nèi)進入到了持續(xù)性輕度渦環(huán)狀態(tài)，這一過程中，姿態(tài)曲線出現(xiàn)跟蹤特點差，波動幅度大等特性，垂向速度也不穩(wěn)定，波動最大峰值超過了設定值15%。

3 基于Aproi方法的渦環(huán)狀態(tài)辨識

3.1 Apriori方法介紹

Apriori是挖掘產(chǎn)生布爾關(guān)聯(lián)規(guī)則所需頻繁項集的基本算法，能從數(shù)據(jù)中挖掘出潛在關(guān)聯(lián)關(guān)系[5]。通過這種數(shù)據(jù)挖掘方法，我們希望能找到無人機多旋翼下降模態(tài)下狀態(tài)參數(shù)與渦環(huán)狀態(tài)的強關(guān)系模式，而這樣的關(guān)系模式可以用于后續(xù)我們在飛行器實時飛行中自動的辨識出航空器進入渦環(huán)狀態(tài)的算法開發(fā)。常用的頻繁項級評估標準有支持度、置信度和提升度幾個維度。具體用數(shù)學可以表達為：

式子（1）表示的是X,Y同時出現(xiàn)的項集在總的采樣中出現(xiàn)的頻率，通常情況下支持度高是頻繁項集的必要不充分條件，式子（2）為置信度計算方法，它表示一個數(shù)據(jù)出現(xiàn)后另外一個數(shù)據(jù)出現(xiàn)的概率。式子（3）為提升度的計算方法，表示在含有Y的條件下，同時含有X的概率與X總體發(fā)生的概率之比。提升度體現(xiàn)了X和Y之間的關(guān)聯(lián)關(guān)系, 提升度大于1則X?Y是有效的強關(guān)聯(lián)規(guī)則， 提升度小于等于1則X=Y是無效的強關(guān)聯(lián)規(guī)則。一個特殊的情況，如果X和Y獨立，則有Lift(X?Y) =1，因為此時P(X|Y)=P(X)。

Apriori方法用到了兩個基本定理。

定理1：如果一個項集是頻繁的，那么其所有的子集（subsets）也一定是頻繁的。

定理2：如果一個項集是非頻繁的，那么其所有的超集（supersets）也一定是非頻繁的。

3.2 基于Apriori算法的渦環(huán)狀態(tài)事件集合模型

基于上述Apriori算法和無人機進入渦環(huán)狀態(tài)的大量歷史黑匣子數(shù)據(jù)，我們提出了一種基于關(guān)聯(lián)規(guī)則Apriori算法的渦環(huán)狀態(tài)辨識方法。首先對黑匣子歷史數(shù)據(jù)進行預處理，將飛行數(shù)據(jù)以秒為單位片段化，將每一秒內(nèi)所有采樣的姿態(tài)、控制通道等信息求平均作為這一秒內(nèi)無人機事件計算的原始數(shù)據(jù)。

圖4 Apriori改進方法基本流程

例如，發(fā)現(xiàn)某個事件片段上飛機橫滾角變化的方差大于其整個飛行過程中橫滾角方差平均值一半以上，即認為飛機為晃動厲害情況，對應事件5。

表1 事件編號及其對應事件

對前面數(shù)據(jù)中提取的項進行關(guān)聯(lián)挖掘，首先從項集里面生成L1及對應支持度。并生成C2項集。將L2篩選后保留的項銅鼓連接生成C34，這一步我們對原始Apriori算法進行了改進，能夠產(chǎn)生包含3個或4個元素的項集。計算出對應項集支持度如圖5所示。

圖5 對C1第一層數(shù)據(jù)集篩選示例

因為渦環(huán)效應通常情況下是在快速垂直下降過程中發(fā)生的，我們挑選出滿足支持度閾值且包含3這一項的事件項集，并將這些項集支持度除以事件3發(fā)生的支持度以得到其提升度，結(jié)果如表2所示。

圖6 改進Apriori算法直接生成變長度數(shù)據(jù)集

表2 事件關(guān)聯(lián)度挖掘結(jié)果

4 結(jié)果分析

上述結(jié)果為min_confidence = 0.5時，事件3發(fā)生時導出的強關(guān)聯(lián)規(guī)則。從上述數(shù)據(jù)結(jié)果分析可知，多旋翼布局飛機快速下降過程中，橫滾姿態(tài)角和偏航姿態(tài)角都會出現(xiàn)大幅晃動，說明飛機快速下降時有進入渦環(huán)狀態(tài)的情況發(fā)生，這與實際認知相符。旋翼飛機在包含[1]快速前飛的情況下，即前飛下滑方式。如項集[1,3,5],[1,3,7],[1,3,5,7]。項集的關(guān)聯(lián)置信度明顯低于[3,5,7]。說明前飛有助于緩解下降過程中飛機進入渦環(huán)狀態(tài)的程度。而單純的垂直下降即只含有[3,5,7]具有更高的置信度，飛機僅垂直快速下降的過程中，更容易進入渦環(huán)狀態(tài)。

5 結(jié)束語

本文基于數(shù)據(jù)挖掘方法中Apriori算法實現(xiàn)了對多旋翼氣動布局無人機連續(xù)下降過程中渦環(huán)狀態(tài)的分析和辨識工作，通過對最后頻繁項集結(jié)果的比較分析，可以印證在多旋翼下降過程中，水平姿態(tài)角和航向角度同時大幅震蕩最容易發(fā)生在多旋翼快速垂直下降階段遭遇渦環(huán)狀態(tài)時。基于該模型，后續(xù)我們可以設計出用于航空器機載實時進行判別進入渦環(huán)狀態(tài)的算法模型，為無人機電力巡檢過程中發(fā)現(xiàn)渦環(huán)狀態(tài)并及時采取措施改出提供有力支撐。